基于SURF和SVM的无人机影像处理算法
发布时间：2019-10-13 23:30
【摘要】：无人机遥感在勘探救援、灾情评估、灾后重建等领域的重要性日渐凸显,而无人机影像数据处理的2大关键技术即快速拼接和信息提取仍处于研究阶段。针对SURF算法和SVM算法存在的问题,首先对SURF-64与SURF-36进行比较,并经实验证明采用64维向量描述特征点更适合于无人机影像数据处理,可达到高效、准确拼接的目的;然后采用2种改进SVM算法对拼接影像进行信息提取,并与传统SVM算法进行比较。实验表明,2种改进算法在信息提取精度、算法泛化能力方面均有不同程度的提高和增强。
【图文】：
1基础知识1．1SUＲF算法原理SUＲF(speed-uprobustfeatures)称为快速鲁棒性尺度不变特征提取，是一种采用积分图像、Haar小波变换、近似的Hessian矩阵运算的局部特征点检测算子［8，9］。SUＲF特征点的描述是指在一个矩形区域内计算图像的Haar小波响应，描述向量的维数可采用128维、64维、36维。首先以某一特征点为中心，设定一个大小20s×20s的矩形区域，并把坐标轴旋转到确定的主方向上，然后将该矩形区域划分成若干子区域，36维描述子划分为3×3共9个子区域，64维描述子划分为4×4共16个子区域，图1所示为SUＲF-64。计算每个子区域内每个像素点的Haar小波分别在x，y方向的响应，记为dx，dy，求和记为∑dx，∑dy，绝对值求和记为∑dx，，∑dy。最终每个子区域由一个4维向量V=∑dx，∑dy，∑dx，∑d()y表示，则可形成9个子区域的36维描述向量或16个子区域的64维描述向量。1．2SVM算法原理SVM(supportvectormachine)算法的原理是依托于结构风险最小和VC维理论的，它能够在模型的复杂性和学习能力之间，仅通过有限的样本信息而搜寻到最佳折衷［10－12］。2类判别问题是SVM最简单的情况，假设训练集合A=(xi，yi{)1≤i≤N}包含N个样本，来自2类{ω1，ω2}，其中yi∈{+1，－1}表示类别。首先由线性分类表示一个超平面，且该超平面可正确分类训练集合A中的N个训练样本，即g(x)=ωTx+ω0=0，(1)然后根据置信范围以及经验风险得到决策函数，并使其期望风险上界达到最校SVM算法的核心是定义合适的核函数，不同的核函数代表不同的算法［13］，最常用的核函数为基于径向基函数ＲBF核函数———K(x，xi)=e－
2基于SUＲF-64特征匹配的无人机影像快速拼接为了选择更适合无人机影像的快速拼接算法，针对SUＲF算法描述向量维数的选择，基于Haar小波响应的特征点描述，本文对匹配效率较高的SUＲF-64与SUＲF-36进行实验对比分析。实验数据选取Sky-01C中型无人机遥感系统2009年5月拍摄的我国西南某镇的无人机影像。该系统配备为Canon5DMarkII，全画幅CMOS，约2110万有效像素。图2为实验数据中2幅待拼接影像，采用SUＲF-64，SUＲF-36分别提取数量相当的特征点，描述后进行特征点配对。图3、图4分别为SUＲF-64，SUＲF-36算法特征点配对结果，图5和图6为基于SUＲF-36特征匹配结果的3D分析。表1对2种算法拼接过程中的提取特征点数、耗费时间等指标进行比较。结果证明:SUＲF-36算法匹配效率略高于SUＲF-64;SUＲF-36算法匹配点对数多于SUＲF-64，但由于较低的维数降低了描述子向量的独特性，3D分析中可看出存在表12种算法特征点匹配数据比较Tab．1Comparisonofmatchingdatabyusingtwoalgo-rithms算法特征点数匹配系数匹配时间/msSUＲF-6413040．87-0．9920216．3SUＲF-3619140．79-0．8919783．7明显误匹配，而SUＲF-64算法则未出现;SUＲF-64算法匹配系数在0.87～0.99，高于SUＲF-36算法。综合来看，SUＲF算法采用64维描述向量更适合无人机影像的快速拼接。3基于Improved-SVM算法的无人机影像信息提取3．1基于AdaBoost改进SVM算法AdaBoost(adaptiveboosting)是一种通过若干次迭代调整弱学习算法错误率的特征分类算法［14，15］。为了自适应地进行核参数调整，更高效地进行信息提取，本文利用AdaBoost算法对SVM进行改进，得到Improved-SVM1算法。Improved-SVM1算法采用选择径向基核函数的支持向量机(ＲBFSVM)作为?
【作者单位】： 河南理工大学测绘与国土信息工程学院;郑州信息科技职业学院建筑工程学院;中国人民解放军信息工程大学数学工程与先进计算国家重点实验室;
【基金】：国家自然科学基金资助项目(61602512) 河南省基础与前沿技术研究项目(152300410098) 河南省教育厅科学技术研究重点项目(16A420006)
【分类号】：TP751
本文编号：2548946
【图文】：
1基础知识1．1SUＲF算法原理SUＲF(speed-uprobustfeatures)称为快速鲁棒性尺度不变特征提取，是一种采用积分图像、Haar小波变换、近似的Hessian矩阵运算的局部特征点检测算子［8，9］。SUＲF特征点的描述是指在一个矩形区域内计算图像的Haar小波响应，描述向量的维数可采用128维、64维、36维。首先以某一特征点为中心，设定一个大小20s×20s的矩形区域，并把坐标轴旋转到确定的主方向上，然后将该矩形区域划分成若干子区域，36维描述子划分为3×3共9个子区域，64维描述子划分为4×4共16个子区域，图1所示为SUＲF-64。计算每个子区域内每个像素点的Haar小波分别在x，y方向的响应，记为dx，dy，求和记为∑dx，∑dy，绝对值求和记为∑dx，，∑dy。最终每个子区域由一个4维向量V=∑dx，∑dy，∑dx，∑d()y表示，则可形成9个子区域的36维描述向量或16个子区域的64维描述向量。1．2SVM算法原理SVM(supportvectormachine)算法的原理是依托于结构风险最小和VC维理论的，它能够在模型的复杂性和学习能力之间，仅通过有限的样本信息而搜寻到最佳折衷［10－12］。2类判别问题是SVM最简单的情况，假设训练集合A=(xi，yi{)1≤i≤N}包含N个样本，来自2类{ω1，ω2}，其中yi∈{+1，－1}表示类别。首先由线性分类表示一个超平面，且该超平面可正确分类训练集合A中的N个训练样本，即g(x)=ωTx+ω0=0，(1)然后根据置信范围以及经验风险得到决策函数，并使其期望风险上界达到最校SVM算法的核心是定义合适的核函数，不同的核函数代表不同的算法［13］，最常用的核函数为基于径向基函数ＲBF核函数———K(x，xi)=e－
2基于SUＲF-64特征匹配的无人机影像快速拼接为了选择更适合无人机影像的快速拼接算法，针对SUＲF算法描述向量维数的选择，基于Haar小波响应的特征点描述，本文对匹配效率较高的SUＲF-64与SUＲF-36进行实验对比分析。实验数据选取Sky-01C中型无人机遥感系统2009年5月拍摄的我国西南某镇的无人机影像。该系统配备为Canon5DMarkII，全画幅CMOS，约2110万有效像素。图2为实验数据中2幅待拼接影像，采用SUＲF-64，SUＲF-36分别提取数量相当的特征点，描述后进行特征点配对。图3、图4分别为SUＲF-64，SUＲF-36算法特征点配对结果，图5和图6为基于SUＲF-36特征匹配结果的3D分析。表1对2种算法拼接过程中的提取特征点数、耗费时间等指标进行比较。结果证明:SUＲF-36算法匹配效率略高于SUＲF-64;SUＲF-36算法匹配点对数多于SUＲF-64，但由于较低的维数降低了描述子向量的独特性，3D分析中可看出存在表12种算法特征点匹配数据比较Tab．1Comparisonofmatchingdatabyusingtwoalgo-rithms算法特征点数匹配系数匹配时间/msSUＲF-6413040．87-0．9920216．3SUＲF-3619140．79-0．8919783．7明显误匹配，而SUＲF-64算法则未出现;SUＲF-64算法匹配系数在0.87～0.99，高于SUＲF-36算法。综合来看，SUＲF算法采用64维描述向量更适合无人机影像的快速拼接。3基于Improved-SVM算法的无人机影像信息提取3．1基于AdaBoost改进SVM算法AdaBoost(adaptiveboosting)是一种通过若干次迭代调整弱学习算法错误率的特征分类算法［14，15］。为了自适应地进行核参数调整，更高效地进行信息提取，本文利用AdaBoost算法对SVM进行改进，得到Improved-SVM1算法。Improved-SVM1算法采用选择径向基核函数的支持向量机(ＲBFSVM)作为?
【作者单位】： 河南理工大学测绘与国土信息工程学院;郑州信息科技职业学院建筑工程学院;中国人民解放军信息工程大学数学工程与先进计算国家重点实验室;
【基金】：国家自然科学基金资助项目(61602512) 河南省基础与前沿技术研究项目(152300410098) 河南省教育厅科学技术研究重点项目(16A420006)
【分类号】：TP751
【相似文献】
相关硕士学位论文 前1条
1 陈晨;基于ELM和SVM的卫星云图分类研究[D];南昌航空大学;2014年
本文编号：2548946
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/2548946.html
